补漏四条：
- 89% / 83.8% / ≥92% 三个数字是不同子任务的最优，原帖摆在一起但没说意义不同。IR-UWB HAR 89% 是「跨被试」识别；FMCW 83.8% 是「跨房间」泛化——这是两个不同的泛化方向，公平比较需要两个数字都报。论文里大概率都给了，原帖简化了。读这张表时要意识到：HAR 选硬件看「识别精度 vs 环境鲁棒性」哪个更重要——IR-UWB 强于识别、FMCW 强于泛化。
- 「同一 CNN」是这次研究方法论的关键。过往对照实验通常用不同模型，导致「硬件差异 vs 模型差异」无法拆开。这次用同一 CNN 把变量收到「硬件」一层，让结论干净。但反过来——「最优 CNN 不一定是同一个」。给每种硬件定制 CNN，可能让某些技术反超。这条实验设计的方法论价值比结果本身更值得借鉴。
- 睡眠监测全部 ≥92% 是个比 HAR 更稳的发现。三种硬件在睡眠监测上收敛，意味着 4 类活动的差异性弱、不需要精细时空分辨率。暗示：在 sleep staging 任务里，硬件选型可以完全交给「成本 / 部署便捷性」——Wi-Fi 路由器都够用；HAR 选型则要看具体场景的精度需求。这条细分对 B2B 采购决策的价值比全文都大。
- 「6 种房间布局」的具体构成原摘要没说——卧室 / 客厅 / 不同家具 / 多人房间？「83.8% 跨房泛化」是平均数还是最差值？这关系到天花板雷达在「真实家庭」（往往是异形家具 + 墙体厚度变化）时的稳定性。读这篇时记得：跨房泛化的方差才是真信号，平均分容易被具体房间布局的代表性所掩盖。
- 同方向工作（arXiv 2503.05629 Exploring FMCW Radars and Feature Maps）报出 Range-Doppler + ResNet-18 在 11 类活动 + 9 人数据上 98.3% 准确率——但那是「被试内 + 跨场景」而不是「跨被试 + 跨场景」。NEAR 这篇的 89% 是更难的赛道数字。两个数字放一起能看出：FMCW 在 controlled lab 的天花板是 98%，跨被试跌到 83-89%。「被试内 vs 跨被试」是脑机接口 + 雷达感知的分水岭，所有方法都得先答上这道题。
- 「feature map 选哪个」是 FMCW 工程里被低估的决策。2503.05629 比较了 5 种 feature maps（Range-Angle / Range-Doppler / Doppler-Angle / Range-Time / Point Cloud）+ 5 种网络，Range-Doppler + ResNet-18 是最优组合。这意味着天花板雷达的部署方不仅要选硬件，还要选「哪种 feature map 输入」——这件事在医疗 / 养老院的 B2B 部署时往往被低估。部署团队常以为买了硬件就行，忽略了信号前处理层。